- 层次化表示学习在亲属关系验证中的应用
该研究通过人类研究和基于过滤器和压缩正则化惩罚的新颖特征表示方法(fcDBN)提出一种层次化的亲属验证方法,并使用 WVU 亲属数据库验证其在人脸验证中的性能提升。
- KDD深度学习在野外长期人脸跟踪中的应用
本文提出了一种基于深度学习模型的长期人脸跟踪系统,采用面部检测、面部验证和面部跟踪协同工作的方法,通过对大数据的离线和在线训练实现了在不受限制的环境下,对视频中特定人物进行精确的跟踪。结果表明,该方法在多种类型的视频上都表现出了很好的效果。
- MobileFaceNets:基于移动设备实时高准确度人脸验证的高效卷积神经网络
本文提出了 MobileFaceNets 类的 CNN 模型,其使用不到 100 万个参数,专为移动和嵌入式设备上的高准确度实时人脸验证而设计,并成功解决了普通移动网络在人脸验证方面的弱点,达到了与数百 MB 大小的最新大型 CNN 模型相 - 无约束人脸验证和识别的晶体损失与质量汇聚
本文提出一种基于固定半径的 Crystal Loss 函数来优化人脸验证和识别系统性能的方法,并在 LFW、IJB-A、IJB-B 和 IJB-C 数据集上取得了最先进的表现。
- AAAI反妆:学习一个双层对抗网络以实现妆容不变的人脸验证
本文提出了一种使用双层对抗网络 (BLAN) 进行学习的方法,以解决化妆对面部识别的负面影响,首先从化妆样本中生成不化妆的图像,再进行进一步的验证,实验结果证明我们的方法能够达到业界最高的识别准确率,并且能够产生高质量的真实不化妆图像。
- 跨龄 LFW:用于研究非受限环境下跨龄人脸识别的数据库
研究构建了 Cross-Age LFW (CALFW) 数据库,用于解决人脸识别中的不同年龄的同一人造成的大量类内变异的问题,并在新数据库上评估了几种距离度量学习和深度学习方法。
- 通过跨模态迁移学习从面部嵌入中提高说话者转向嵌入
研究提出了三种跨领域学习方法,利用从面部嵌入空间中获得的知识,改进发言者方向嵌入学习,实验结果表明其在验证和音频聚类任务中均取得了显著进展。
- 基于 von Mises-Fisher 混合模型的深度学习:应用于人脸验证
本文提出了基于 von Mises-Fisher 混合模型的深度学习方法,能有效地深度学习方向特征,实现了紧凑学习同一类别的实例,同时增加不同类别的实例之间的距离,融合了多种流行的 loss 函数,并在人脸验证任务中获得了当前最优结果。
- NormFace:L2 超球面嵌入在面部验证中的应用
该研究基于对归一化进行数学分析,提出了两种新策略,分别是优化余弦相似度的 Softmax 损失函数的修改和为每个类引入代理向量的度量学习的重构。这两种策略分别提高了 0.2%到 0.4%的性能。
- CVPR面向集合识别的质量感知网络
这篇论文提出了一种质量感知的神经网络,它可以学习两个图像集之间的度量。每个样本的质量可以自动学习,而不需要明确提供训练阶段中的信息。本文证明,这种机制有助于集合识别,并简化了网络需要匹配的分布。实验证明,该网络在人脸验证和人员重新识别方面具 - 用于判别性人脸验证的 L2 约束 Softmax 损失
本研究中,我们给特征描述符添加了一个 L2 约束,以保证它们位于一个固定半径的超球面上,该步骤可以显著提高面部验证的性能,特别是在 IJB-A 数据集上实现了 0.909 的 True Accept Rate 以及 0.0001 的 Fal - 面部年龄进展和年龄不变面部识别的时间非体积保持方法
本文提出了一种基于 Temporal Non-Volume Preserving 转换的生成概率模型,用于对人脸进行年龄推进和交叉年龄人脸验证,并在各种面部年龄数据库中始终展示最先进的结果。
- CVPRDeMeshNet:用于深度 Mesh 人脸验证的盲目人脸修复
本文提出了一种面向特征的盲脸修复框架(DeMeshNet),通过在紧凑的特征空间和图像像素空间上同时强制像素级相似度和特征级相似度,用于解决 MeshFace 识别中的低级视觉问题,提高验证性能。
- 人脸验证和聚类的三元概率嵌入
使用基于深度学习和三元组概率约束的低维高效嵌入的方法能够解决无约束人脸验证的问题,同时具有较好的性能和广泛的鲁棒性。
- 使用深度卷积神经网络特征进行无约束人脸验证
本文提出了一种基于深度卷积特征的无限制人脸验证算法,并在 IARPA Janus 基准数据集上进行了评估。实验结果表明该算法在包含 500 个受试者的真实世界无约束面部图像上具有很好的性能。
- AAAI使用 GaussianFace 在 LFW 上超越人类级别的人脸验证表现
本文提出了一种基于区分性高斯过程潜在变量模型的多任务学习方法 - GaussianFace,旨在丰富训练数据的多样性以改进在未知目标域中的人脸验证泛化能力,通过利用多源域的额外数据,实现自适应复杂数据分布以更好地捕获多种来源中的复杂人脸变化 - 利用深度神经网络在野外场景中恢复规范视图人脸
提出了一种新的深度学习框架,可以恢复面部图像的规范视图,减少人内部差异,同时保持人际可辨性。然后使用基于面部组件的卷积神经网络从恢复的面部图像中学习面部特征,在 LFW 数据集上实现了最先进的性能,可应用于面部验证。
- MM深度属性网络
本文提出了称为深层属性网络(DAN)的模型,可以输出图像的属性而不进行分类,在无约束的人脸验证和现实世界中的物体识别任务中使用 LFW 和 a-PASCAL 数据集对提出的模型的功效进行了评估,展示了基于属性的分类用于深度学习,通过展示与现